🛠 با محبوب‌ترین کتابخانه پایتون در یادگیری ماشین به صورت عملی کار کن؛ این کتاب بیش از ۸۰ دستورالعمل کاربردی داره که هم توابع اصلی و هم پیشرفته رو پوشش میده.

ویژگی‌های کلیدی

• حل مسائل پیچیده تجاری با رویکرد‌های داده‌محور
• تسلط بر ابزارهای مرتبط با توسعه مدل‌های پیش‌بینی و تجویزی
• ساخت پایپ‌لاین‌های (Pipelines) مستحکم یادگیری ماشین برای کاربردهای دنیای واقعی و دوری از اشتباهات رایج

توضیحات کتاب

📘 کتابخانه scikit-learn که مورد اعتماد متخصصان علم داده، مهندسان یادگیری ماشین و توسعه‌دهندگان نرم‌افزار هست، یک فریم‌ورک منعطف و کاربرپسند برای پیاده‌سازی طیف وسیعی از الگوریتم‌های ML ارائه میده که توسعه و دیپلوی کردن (Deploy) مدل‌های پیش‌بینی رو در برنامه‌های واقعی راحت میکنه. ویرایش سوم کتاب "scikit-learn Cookbook" بهت کمک میکنه با مثال‌های واقعی و ویژگی‌های نسخه 1.5 سایکیت-لرن، روی یادگیری ماشین مسلط بشی.

🚀 این نسخه به‌روزرسانی شده، تو رو به یک سفر یادگیری میبره؛ از درک مبانی ML و پیش‌پردازش داده‌ها گرفته تا پیاده‌سازی الگوریتم‌های پیشرفته و دیپلوی کردن و بهینه‌سازی مدل‌ها در محیط پروداکشن. در طول مسیر، دستورالعمل‌های گام‌به‌گام و کاربردی رو بررسی میکنی که همه چیز رو از مهندسی ویژگی‌ها (Feature Engineering) و انتخاب مدل تا تنظیم هایپرپارامترها و ارزیابی مدل پوشش میده.

🎯 تا پایان این کتاب، دانش و مهارت لازم رو به دست میاری تا با اعتماد به نفس مدل‌های پیچیده ML رو با استفاده از scikit-learn بسازی، ارزیابی کنی و دیپلوی کنی تا آماده حل چالش‌های مختلف داده‌محور باشی.

آنچه یاد خواهید گرفت

• پیاده‌سازی انواع الگوریتم‌های ML، از طبقه‌بندهای پایه تا روش‌های پیچیده آنسامبل (Ensemble) با استفاده از scikit-learn
• انجام پیش‌پردازش داده‌ها، مهندسی ویژگی و انتخاب مدل برای آماده‌سازی دیتاست‌ها جهت عملکرد بهینه مدل
• بهینه‌سازی مدل‌های ML از طریق تنظیم هایپرپارامتر و تکنیک‌های اعتبارسنجی متقابل (Cross-validation) برای بهبود دقت و قابلیت اطمینان
• دیپلوی کردن مدل‌های ML برای برنامه‌های کاربردی مقیاس‌پذیر و قابل نگهداری در دنیای واقعی
• ارزیابی و تفسیر مدل‌ها با معیارها و مصورسازی‌های پیشرفته در scikit-learn
• بررسی دستورالعمل‌های جامع و عملی متناسب با نسخه 1.5 scikit-learn

این کتاب برای چه کسانی مناسب است

👥 این کتاب برای متخصصان علم داده و همچنین حرفه‌ای‌های یادگیری ماشین و توسعه نرم‌افزار مناسبه که میخوان درک خودشون رو از تکنیک‌های پیشرفته ML عمیق‌تر کنن. برای اینکه بیشترین بهره رو از این کتاب ببری، باید به برنامه‌نویسی پایتون و کتابخانه‌های پرکاربرد ML مثل pandas، NumPy، matplotlib و sciPy مسلط باشی. درک مفاهیم پایه ML مثل رگرسیون خطی، درخت‌های تصمیم و معیارهای ارزیابی مدل خیلی کمک‌کننده است. همچنین آشنایی با مفاهیم ریاضی مثل جبر خطی، حساب دیفرانسیل و انتگرال و احتمالات هم بسیار ارزشمنده.

📑 فهرست مطالب

1. قراردادهای رایج و عناصر API در scikit-learn
2. جریان کاری پیش از مدل‌سازی و پیش‌پردازش داده‌ها
3. تکنیک‌های کاهش ابعاد (Dimensionality Reduction)
4. ساخت مدل‌ها با معیارهای فاصله و نزدیک‌ترین همسایه (Nearest Neighbors)
5. مدل‌های خطی و رگولاریزاسیون (Regularization)
6. رگرسیون لجستیک پیشرفته و توسعه‌های آن
7. ماشین‌های بردار پشتیبان (SVM) و روش‌های کرنل
8. الگوریتم‌های مبتنی بر درخت و روش‌های آنسامبل
9. پردازش متن و طبقه‌بندی چندکلاسه
10. تکنیک‌های خوشه‌بندی (Clustering)
11. تشخیص ناهنجاری (Novelty) و داده‌های پرت (Outlier)
12. اعتبارسنجی متقابل و تکنیک‌های ارزیابی مدل
13. دیپلوی کردن مدل‌های scikit-learn در محیط پروداکشن
14. قفل مزایای اختصاصی خود را باز کنید

درباره نویسنده

👨‍💻 جان سوکاپ (John Sukup) یک متخصص داده با ۱۷ سال سابقه است. تجربه کاری او حوزه‌های مختلفی از تحقیقات بازار مصرف‌کننده تا علم داده و هوش مصنوعی رو شامل میشه. او بیش از یک دهه تجربه به عنوان مهندس و مشاور ابری AI/ML در سازمان‌های بین‌المللی متعددی از جمله Levi Strauss، سیسکو، Anaconda و Ipsos داره. او به عنوان مدرس حرفه‌ای ارشد برای سازمان‌های لیست Fortune 100 فعالیت کرده و در فوربس، اوراکل و Data Science Central هم بهش اشاره شده. جان در حال حاضر مدیرعامل و بنیان‌گذار Expected X (یک شرکت طراحی و مشاوره راهکارهای هوش مصنوعی) هست و پادکست Unriveted رو هم همراه با همکارش، مارتین میلر، میزبانی میکنه.

Get hands-on with the most widely used Python library in machine learning with over 80 practical recipes that cover core as well as advanced functions

Key Features

• Solve complex business problems with data-driven approaches
• Master tools associated with developing predictive and prescriptive models
• Build robust ML pipelines for real-world applications, avoiding common pitfalls

Book Description

Trusted by data scientists, ML engineers, and software developers alike, scikit-learn offers a versatile, user-friendly framework for implementing a wide range of ML algorithms, enabling the efficient development and deployment of predictive models in real-world applications. This third edition of scikit-learn Cookbook will help you master ML with real-world examples and scikit-learn 1.5 features.

This updated edition takes you on a journey from understanding the fundamentals of ML and data preprocessing, through implementing advanced algorithms and techniques, to deploying and optimizing ML models in production. Along the way, you’ll explore practical, step-by-step recipes that cover everything from feature engineering and model selection to hyperparameter tuning and model evaluation, all using scikit-learn.

By the end of this book, you’ll have gained the knowledge and skills needed to confidently build, evaluate, and deploy sophisticated ML models using scikit-learn, ready to tackle a wide range of data-driven challenges.

What you will learn

• Implement a variety of ML algorithms, from basic classifiers to complex ensemble methods, using scikit-learn
• Perform data preprocessing, feature engineering, and model selection to prepare datasets for optimal model performance
• Optimize ML models through hyperparameter tuning and cross-validation techniques to improve accuracy and reliability
• Deploy ML models for scalable, maintainable real-world applications
• Evaluate and interpret models with advanced metrics and visualizations in scikit-learn
• Explore comprehensive, hands-on recipes tailored to scikit-learn version 1.5

Who this book is for

This book is for data scientists as well as machine learning and software development professionals looking to deepen their understanding of advanced ML techniques. To get the most out of this book, you should have proficiency in Python programming and familiarity with commonly used ML libraries; e.g., pandas, NumPy, matplotlib, and sciPy. An understanding of basic ML concepts, such as linear regression, decision trees, and model evaluation metrics will be helpful. Familiarity with mathematical concepts such as linear algebra, calculus, and probability will also be invaluable.

Table of Contents

Chapter 1: Common Conventions and API Elements of scikit-learn

Chapter 2: Pre-Model Workflow and Data Preprocessing

Chapter 3: Dimensionality Reduction Techniques

Chapter 4: Building Models with Distance Metrics and Nearest Neighbors

Chapter 5: Linear Models and Regularization

Chapter 6: Advanced Logistic Regression and Extensions

Chapter 7: Support Vector Machines and Kernel Methods

Chapter 8: Tree-Based Algorithms and Ensemble Methods

Chapter 9: Text Processing and Multiclass Classification

Chapter 10: Clustering Techniques

Chapter 11: Novelty and Outlier Detection

Chapter 12: Cross-Validation and Model Evaluation Techniques

Chapter 13: Deploying scikit-learn Models in Production

Chapter 14: Unlock Your Exclusive Benefits

About the Author

John Sukup is a seventeen-year data professional. His experience working with data spans from consumer market research to data science to ML and AI. He has over a decade of experience as an AI/ML cloud engineer and consultant at multiple international organizations including Levi Strauss, Cisco, Anaconda, and Ipsos. He has acted as the lead professional trainer for Fortune 100 organizations and has been featured in Forbes, Oracle, and Data Science Central. He currently acts as Managing Director and Founder at Expected X, an AI Solution Design and Consultancy as well as cohost of the Unriveted Podcast with his colleague Martin Miller.